基于免疫与神经网络的 RNA 二级结构预测

RNA二级结构预测是生物信息学领域的一个热点问题,通过计算机仿真模拟和数学建模计算来“预测”这些结构信息,具有较好的参考价值以及可信度,并能够节省大量的时间与成本。本文通过改进传统的RNA二级结构预测算法,提出了混沌Hopfield神经网络算法算法。算法以茎区作为神经元,同时采用相似距离函数、对神经元的初始值进行优化,在获得初步结果后,通过使用混沌函数优化结果,使得其跳出局部最优解,提高了全局搜索能力,能简单、快速规范的获得最优解。仿真结果表明,本算法能够有效的对RNA二级结构进行预测,有较好的的预测效果。     

RNA二级结构预测的神经网络方法

针对利用经典的随机上下文无关文法(SCFG)等模型对RNA(R ibonucle ic ac id)二级结构进行预测时,存在计算复杂性问题,该文给出了RNA二级结构的“新二级结构单元标签”(N SSEL)表示,相应提出了一种新的RNA二级结构预测的神经网络方法。这种二级结构的N SSEL表示格式很容易转换成常用的CT格式。基于tRNA数据集的实验表明,在完全相同的训练与测试数据集下,该方法,较之性能最好的B JK与BK 2等SCFG模型,其预测精度与相关系数都有所提高,证明了所提方法的可行性与有效性。由于神经网络启发式方法不存在计算时间复杂性问题,因此可望将此法用于预测SCFG等算法难以处理的大于1 000个碱基的长RNA序列的折叠问题。     

基于进化神经网络的RNA二级结构预测方法

本文提出了一种基于进化神经网络预测RNA二级结构的方法.该方法利用进化算法优化了神经网络结构和权值,改善了传统BP人工神经网络容易陷入局部最优等缺陷.实验结果表明该算法能够获得一个最优结构和权值的神经网络,利用该网络去预测不带伪结的RNA二级结构能获得理想的效果,敏感性和相关系数都有所提升,证明了该改进算法的可行性.     

质心法:受类别驱动的RNA二级结构预测方法

RNA二级结构预测问题是计算分子生物学中的一个重要问题.目前的RNA二级结构预测模型和算法都是把待测结构RNA的一级序列作为输入,仅根据输入的序列预测其二级结构.这样做丢失了待测RNA的类别信息,进而无法利用同类别RNA二级结构的保守性.在实际的生物学研究中,对于关心二级结构的RNA,其类别往往是已知的.本文提出一种新的RNA二级结构预测思路:结合类别信息、根据已知的近似形状细化RNA的二级结构.这种方法尤其适用于长度较短、保守性好的非编码RNA.该方法的一个关键问题是如何将一个序列按照近似的形状进行折叠.为此本文首次提出了茎区的"质心"和"质心距"的概念,并且给出了一个结合了Hopfield网络和类别信息的RNA二级结构预测算法.实验表明本文提出的方法在所测试ncRNA分子上效果好于目前的方法.     

RNA二级结构预测的计算语言学方法

RNA是一类重要的生物大分子,计算语言学方法把RNA序列看成是具有一定语法规则的语句,通过这些语法规划来分析RNA序列中存在的碱基配对关系,也就是它的语义,从而得到该序列的二级结构,本文阐述了该类方法预测RNA二级结构的原理及实现。     

一个预测RNA二级结构的回溯算法

本文讨论了一个预测RNA二级结构的回溯算法。该算法根据极大基配对的原则按字典顺序产生所有可能的二级结构。它的时间复杂性是O(n~2),空间复杂性是O(n)。     

RNA二级结构预测算法及图形表示

在生物大分子ＲＡＮ序二级结构预测的算法中使用了溯算法，并对ＲＮＡ二级结构预测的结果实现图形表示。     

计算最大堆迭的RNA二级结构预测算法

RNA二级结构预测用于蛋白质功能分析，在生物信息学研究中具有重要意义．提出了一个时间复杂度为O（n^2）的基于Greedy算法思想的算法．基于“堆迭结构相对稳定”的RNA分子结构特征，算法思想为计算具有最多堆迭的RNA二级结构．用VC＋＋编程实现了该算法，采用PseudoBase的RNA分子片段进行了计算实验，结果表明该算法具有良好的准确度．该算法可预测RNA分子的嵌套二级结构和伪结点一级结构．     

RNA二级结构自动绘图系统的构建

给出了带假结的RNA二级结构自动绘画系统以及自由能的处理．用软件实现此方法可以把以碱基匹配表示的RNA分子二级结构自动转化为图形表示．     

基于神经网络的蛋白质二级结构预测

提出一种蛋白质二级结构预测的新方法.该方法首先对数据集中的氨基酸序列利用PSI-BLAST程序进行同源序列搜索,得到相应的PSSM矩阵,然后利用滑动窗口方法对矩阵进行编码,得到分类器的输入.采用分类器集成,将所有的样本划分成9个互斥训练集对单个子分类器进行训练.然后,9个单独的0-1子分类器通过最大投票法进行集成,形成识别一种特定的蛋白质二级结构的0-1分类器.这样3个0-1分类器模型通过串行集成,可以对蛋白质的三种二级结构(H/E/C)进行识别.通过对标准数据集RS126,CB396,CB513进行测试发现,对于同一分类器,利用PSSM矩阵作为分类器输入的预测准确率要高于直接将蛋白质序列作为输入的预测率.     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

应用人工神经网络预测路面使用性能

针对传统的路面使用性能预测方法存在的不足,应用人工神经网络理论,建立预估模型。经过理论分析与实际验证,这一方法是完全可行的。     

用4肽结构字预测蛋白质二级结构

介绍一种新的方法来预测蛋白质二级结构.该方法是基于4肽结构字的基础上,利用4肽结构字建立多样性源同时结合二次判别法来预测一个序列片段中心残基的二级结构,最后对预测后的结果进行修正.对1645个蛋白进行检验,其21残基片段中心残基,10折交叉检验的结果Q**3(Q3score)达到79.68%.当考虑长程序列信息时,预测将会更精确.与其它预测软件相比较,显示了一定的优势.     

小波神经网络用于原子半径的研究

采用原子的第一电离能与原子的核外电子分布作为输入参数，使用已知的半径值作为训练样本，对小波神经网络进行了训练并成功地预报了８６种元素的原子半径，较完整地补充了共价半径、金属半径与范德华半径标度方法中所缺的相应值．结果表明，对于原子及分子物理的研究，小波神经网络是一种很有潜力的工具．     

利用神经网络推算双液两相平衡体系的相图

利用神经网络对双液系两相平衡关系进行关联与表达,在此基础上进行相图的推算,并将推算结果与实验结果进行了比较,推算结果比较准确.     

遗传神经网络在PPⅡ预测中的应用

提高多聚脯氨酸二型结构的预测精度，可从两方面着手，一是结合遗传算法，形成遗传神经网络，努力使迭代往全局最优的方向进行；二是通过神经网络输入层，添加反映残基和预测中心位置距离的单元．结果表明，使用混合算法建立的新模型比仅用神经网络模型在预测精度上有明显提高，可从64．5％提高到70．1％．     

利用神经网络算法推算超额吉布斯自由能

利用神经网络算法推算了超额吉布斯自由能Gm^E,并将推算结果与实验结果进行了比较,推算的平均相对误差均在1．42％以内。